Como Construir uma Wiki Pessoal com LLMs — O Padrão do Karpathy

Andrej Karpathy — ex-Tesla AI, cofundador da OpenAI e um dos nomes mais respeitados em IA — publicou um Gist que está viralizando: um padrão para construir bases de conhecimento pessoais usando LLMs. A ideia é simples, mas profunda: em vez de usar IA apenas para recuperar informações de documentos (RAG), use-a para manter uma wiki persistente que cresce e se refina com cada fonte que você adiciona.

O texto é denso e vale a leitura completa, mas vamos desmontar a ideia e mostrar como aplicar — especialmente para quem trabalha com conteúdo, pesquisa ou product building.

O problema do RAG tradicional

A maioria das pessoas usa LLMs com documentos assim: upload de arquivos → consulta → resposta. Funciona, mas tem um defeito fundamental: a IA redescobre o conhecimento a cada pergunta.

Pergunta sutil que exige sintetizar cinco documentos? A LLM precisa encontrar e remontar os fragmentos relevantes toda vez. Nada se acumula. NotebookLM, ChatGPT file uploads e a maioria dos sistemas RAG funcionam assim.

É como ler o mesmo capítulo de um livro toda vez que alguém faz uma pergunta sobre ele — em vez de anotar os pontos-chave e consultar suas notas.

A ideia do Karpathy: wiki persistente que compõe

A abordagem diferente: em vez de apenas recuperar de documentos brutos no momento da consulta, a LLM constrói e mantém incrementalmente uma wiki persistente — uma coleção estruturada e interligada de arquivos markdown que fica entre você e as fontes brutas.

Quando você adiciona uma nova fonte, a LLM não apenas a indexa para recuperação posterior. Ela lê, extrai as informações-chave e integra na wiki existente — atualizando páginas de entidades, revisando resumos de tópicos, anotando onde novos dados contradizem afirmações anteriores, fortalecendo ou desafiando a síntese em evolução.

A diferença-chave: a wiki é um artefato persistente e cumulativo. As referências cruzadas já estão lá. As contradições já foram sinalizadas. A síntese já reflete tudo que você leu.

As três camadas

Karpathy define três camadas que compõem o sistema:

1. Fontes brutas (Raw Sources)

Sua coleção curada de documentos-fonte. Artigos, papers, imagens, dados. São imutáveis — a LLM lê delas, mas nunca modifica. Este é seu source of truth.

2. A wiki

Um diretório de arquivos markdown gerados pela LLM. Resumos, páginas de entidades, páginas de conceitos, comparações, visão geral, síntese. A LLM possui esta camada inteiramente. Ela cria páginas, atualiza quando novas fontes chegam, mantém referências cruzadas e giữ tudo consistente.

Você lê; a LLM escreve.

3. O schema

Um documento (como CLAUDE.md ou AGENTS.md) que diz à LLM como a wiki está estruturada, quais são as convenções e quais fluxos seguir ao ingerir fontes, responder perguntas ou manter a wiki. Este é o arquivo de configuração-chave — é o que transforma a LLM em um maintainers disciplinado da wiki em vez de um chatbot genérico.

Os três fluxos de trabalho

Ingest (Ingestão)

Você coloca uma nova fonte na coleção bruta e diz à LLM para processá-la. O fluxo típico:

1. LLM lê a fonte
2. Discute os pontos-chave com você
3. Escreve uma página de resumo na wiki
4. Atualiza o índice
5. Atualiza páginas de entidades e conceitos relevantes em toda a wiki
6. Adiciona uma entrada ao log

Uma única fonte pode tocar 10–15 páginas da wiki. Karpathy prefere ingerir fontes uma vez e manter envolvimento — ler os resumos, verificar as atualizações e guiar a LLM sobre o que enfatizar.

Query (Consulta)

Você faz perguntas contra a wiki. A LLM busca páginas relevantes, lê-as e sintetiza uma resposta com citações. A descoberta importante: boas respostas podem ser arquivadas de volta na wiki como novas páginas. Uma comparação que você pediu, uma análise, uma conexão que descobriu — tudo isso é valioso e não deve desaparecer no histórico de chat.

Suas explorações se acumulam na base de conhecimento, assim como fontes ingeridas.

Lint (Manutenção)

Periodicamente, peça à LLM para fazer um health-check da wiki. Procure por:

• Contradições entre páginas
• Afirmações obsoletas que fontes mais recentes já substituíram
• Páginas órfãs sem links de entrada
• Conceitos importantes mencionados mas sem sua própria página
• Referências cruzadas ausentes
• Lacunas de dados que podem ser preenchidas com uma busca web

A LLM é boa em sugerir novas perguntas para investigar e novas fontes para buscar. Isso mantém a wiki saudável conforme ela cresce.

Duas ferramentas especiais

index.md (orientado a conteúdo)

Um catálogo de tudo na wiki — cada página listada com um link, uma linha de resumo e opcionalmente metadados como data ou contagem de fontes. Organizado por categoria. A LLM atualiza a cada ingestão. Quando responde uma consulta, a LLM lê o índice primeiro para encontrar páginas relevantes, depois se aprofunda.

Funciona surpreendentemente bem em escala moderada (~100 fontes, ~centenas de páginas) e evita a necessidade de infraestrutura de RAG baseada em embeddings.

log.md (cronológico)

Um registro append-only do que aconteceu e quando — ingests, queries, passagens de lint. Dica: se cada entrada começa com um prefixo consistente (ex.: ## [2026-04-02] ingest | Article Title), o log fica parseável com ferramentas unix simples.

A sacada principal: manutenção zero

A parte tediosa de manter uma base de conhecimento não é a leitura ou o pensamento — é o bookkeeping. Atualizar referências cruzadas, manter resumos atuais, anotar quando novos dados contradizem afirmações antigas, manter consistência entre dezenas de páginas.

Humanos abandonam wikis porque o fardo de manutenção cresce mais rápido que o valor. LLMs não ficam entediadas, não esquecem de atualizar uma referência cruzada e podem tocar 15 arquivos em uma passagem.

A wiki se mantém porque o custo de manutenção é próximo de zero.

O trabalho do humano é curar fontes, direcionar a análise, fazer boas perguntas e pensar sobre o que tudo isso significa. O trabalho da LLM é todo o resto.

Conexão com o Memex de Vannevar Bush

Karpathy faz referência ao Memex de Vannevar Bush (1945) — um armazenamento pessoal e curado de conhecimento com trilhas associativas entre documentos. Bush imaginava algo mais próximo disto do que da web como conhecemos: privado, ativamente curado, com as conexões entre documentos tão valiosas quanto os próprios documentos.

A parte que Bush não conseguiu resolver foi: quem faz a manutenção? A LLM resolve isso.

Como aplicar na prática

Para empreendedores e profissionais de tech/SaaS, os casos de uso são imensos:

• Pesquisa de mercado: acumular insights de concorrentes, tendências e dados ao longo do tempo, com uma wiki que evolui a cada artigo lido.
• ** Produto:** documentar decisões, feedback de usuários, métricas e aprendizados em uma base viva.
• Conteúdo: manter um segundo cérebro com referências, citações e conexões entre ideias — a wiki do seu blog.
• Due diligence: pesquisar um investimento ou parceiro ao longo de semanas, com a wiki compilando automaticamente o que você descobre.

A ferramenta não precisa ser Obsidian (embora seja a escolha do Karpathy). Pode ser qualquer diretório de markdown no Git. O padrão é flexível — o importante é a estrutura: fontes brutas imutáveis + wiki mantida por LLM + schema que define as regras.

Conclusão

A ideia do Karpathy não é sobre uma ferramenta específica — é sobre um padrão de trabalho. Em vez de tratar LLMs como máquinas de responder perguntas, trate-as como maintainers de uma base de conhecimento que cresce e compõe valor com o tempo. O custo de manutenção cai para quase zero, e o conhecimento acumulado se torna um ativo real.

Se você ainda trabalha com RAG tradicional (upload → query → resposta), vale a pena experimentar este padrão. Comece com 5–10 fontes, um schema simples e Obsidian ou Markdown no Git. Em algumas semanas, a diferença é visível.